Construction d'une allocation stratégique d'actifs en assurance-vie par échantillonnage et machine learning sous Solvabilité II

Afin de réallouer leurs portefeuilles d’actifs, les assureurs-vie ont usuellement recours à des logiciels d’optimisation ALM comportant des modèles stochastiques. Ces logiciels mobilisent beaucoup de ressources et leur temps de calcul est très long. Le but de ce mémoire est de proposer une autre méthode utilisant le machine learning, qui soit plus rapide, plus modulable, et fiable.
L’objectif est d’optimiser les valeurs projetées d’indicateurs clés du portefeuille, à différents horizons temporels. Cette projection permet de déterminer une réallocation du portefeuille de départ visant à atteindre des objectifs de performance future. Le modèle développé explore un ensemble de réallocations réalistes.
À chaque tirage d’un portefeuille, les indicateurs projetés à différents horizons temporels sont calculés plus rapidement qu’avec les méthodes traditionnelles de Monte-Carlo, grâce à un algorithme de machine learning calibré. Les calculs sont réalisés en parallèle sur huit coeurs du processeur, ce qui permet d’effectuer simultanément plusieurs recherches d’allocations et de réduire le temps de calcul d’environ 75%. Cette phase d’optimisation peut être ajustée selon les objectifs de l’assureur-vie. Plusieurs portefeuilles répondant aux critères qu’il aura fixés pourront lui être proposés. Les nouvelles allocations obtenues améliorent les indicateurs du portefeuille de départ. Cependant, il est impossible de tous les améliorer simultanément et des arbitrages s’avèrent nécessaires.
Ce résultat est en cohérence avec le compromis rendement-risque tel qu'énoncé dans la théorie moderne des portefeuilles.